低光照增强算法

低照度图像的增强算法研究

近几年视频监控系统越来越发达,但在低照度环境中,由于光照不足而导致图像亮度低,细节信息丢失严重,对图像的识别带来困难。因此对低照度图像增强算法进行研究有着重要的理论意义与应用价值。

本文研究低照度图像反转图像与雾天图像的相似之处,针对暗原色先验去雾算法进行图像去雾后会出现块效应以及透射率细化所采用的软抠图法存在的时间复杂度高等问题,本文研究了改进的暗原色先验与直方图均衡化融合的低照度图像增强算法。采用常数替代最小值滤波,对图像进行逐像素处理,快速求解出精简透射率。

通过引进参数对精简透射率进行补偿,防止图像像素点的通道最小值较大导致的图像失真问题发生。对于大气光值采用四叉树算法进行估计。

再对经过暗原色先验算法处理后的图像进行直方图均衡化处理,使得图像灰度直方图由非均匀分布变换为在灰度范围内的均匀分布,进一步提高对比度,最后进行图像反转从而获得增强后的低照度图像。仿真结果表明,改进的算法提高了低照度图像的亮度与对比度,有效的消除了块效应,图像色彩还原度高,提升了图像的可视性,且与软抠图法相比运行速率明显提高。

但对低照度图像景深处的增强效果不明显。针对上述算法存在的缺点以及传统同态滤波算法传递函数参数过多难以控制和多尺度Retinex算法容易产生光晕伪影现象等问题,研究了一种改进的基于同态滤波及多尺度Retinex低照度图像增强算法。

首先对低照度图像的R、G、B三种分量分别用改进的同态滤波算法进行增强,提高图像对比度;然后将图像从RGB颜色空间转换到HSV颜色空间;在HSV颜色空间对饱和度分量进行自适应非线性拉伸,同时用改进的多尺度Retinex算法对亮度进行增强处理,对照射分量用伽马变换进行校正,对反射分量用Sigmoid函数进行处理,最后将图像再转换至RGB颜色空间输出。用Matlab对图像进行仿真处理,实验表明该算法提高了低照度图像的信息熵、峰值信噪比和对比度,提升了低照度图像的视觉效果。

宁波工程学院论文

1 图像增强算法研究综述

刘璐璐

宁波工程学院电子与信息工程学院计算机科学与技术071班，邮编:(315100)

E-mail:****************摘要：本文简要介绍图像增强的概念和图像增强算法的分类，从图像的直方图均衡化处理方法，直方图规定化处理方法和图像平滑处理方法三方面对图像增强算法进行讨论和研究，并说明了图像增强技术的应用和前景展望。

关键词：图像增强 直方图均衡化 直方图规定化 平滑处理

近年来，随着电子计算机技术的进步，计算机图像处理得到了飞跃的发展，己经成功的应用于几乎所有与成像有关的领域，并正发挥着相当重要的作用。它利用计算机对数字图像进行系列操作，从而获得某种预期的结果。对图像进行处理时，经常运用图像增强技术以改善图像的质量增强对某种信息的辨识能力，以更好的应用于现代各种科技领域，图像增强技术的快速发展同它的广泛应用是分不开的，发展的动力来自稳定涌现的新的应用，我们可以预料，在未来社会中图像增强技术将会发挥更为重要的作用。在图像处理过程中，图像增强是十分重要的一个环节。

1. 图像增强概念及现实应用

1.1 图像增强技术

图像增强是数字图像处理的基本内容之一。图像增强是指按特定的需要突出一幅图像中的某些信息，同时，削弱或去除某些不需要的信息。这类处理是为了某种应用目的去改善图像质量，处理的结果更适合于人的视觉特性或机器识别系统，图像增强处理并不能增加原始图像的信息，而只能增强对某种信息的辨识能力，使处理后的图像对某些特定的应用比原来的图像更加有效。 宁波工程学院论文

2 1.2图像增强技术的现实应用

目前，图像增强处理技术的应用己经渗透到医学诊断、航空航天、军事侦察、纹识别、无损探伤、卫星图片的处理等领域，在国民经济中发挥越来越大的作用。其中最典型的应用主要体现以下方面。

1.2.1通讯领域

包括图像传输、电视电话、 电视会议等， 主要是进行图像压缩甚至理解基础上的压缩是把文字、图表、照片等图像通过光电扫描的方式变成电信号加以传送。

增强学习Reinforcement Learning经典算法梳理1：policy and value

iteration

前言

就目前来看，深度增强学习（Deep Reinforcement Learning)中的很多方法都是基于以前的增强学习算法，将其中的value function价值函数或者Policy function策略函数用深度神经网络替代而实现。因此，本文尝试总结增强学习中的经典算法。

本文主要参考：1Reinforcement Learning: An Introduction；2Reinforcement Learning Course by

David Silver

1 预备知识

对增强学习有所理解，知道MDP，Bellman方程

详细可见：Deep Reinforcement Learning 基础知识（DQN方面）

很多算法都是基于求解Bellman方程而形成：

Value Iteration

Policy Iteration

Q-Learning

SARSA

2 Policy Iteration 策略迭代

Policy Iteration的目的是通过迭代计算value function 价值函数的方式来使policy收敛到最优。

Policy Iteration本质上就是直接使用Bellman方程而得到的：

那么Policy Iteration一般分成两步：

Policy Evaluation 策略评估。目的是 更新Value Function

Policy Improvement 策略改进。 使用 greedy policy 产生新的样本用于第一步的策略评估。 本质上就是使用当前策略产生新的样本，然后使用新的样本更新当前的策略，然后不断反复。理论可以证明最终策略将收敛到最优。具体算法：

那么这里要注意的是policy evaluation部分。这里的迭代很重要的一点是需要知道state状态转移概率p。也就是说依赖于model模型。而且按照算法要反复迭代直到收敛为止。所以一般需要做限制。比如到某一个比率或者次数就停止迭代。

２０１０年第２９期　ＳＣＩＥＮＣＥ＆ＴＥＣＨＮＯＬＯＧＹ　ＩＮＦＯＲＭＡＴＩＯＮ　ｏ科教前沿０　科技信息　

基于水下图像增强算法的研究　

王　彬　

（青岛科技大学信息科学技术学院　山东　青岛　２６６０６１）　

Ｉ摘要】由于水下图像成像条件复杂、质量较差，给实际操作和科研带来了很大的难题。图像增强方法可以针对水下图象的特点改善其质　

量。直方图法可以增大图像的灰度变化范围，丰富灰度层次，改善视觉感知效果，达到图象增强的目的；同态滤波法可以有效的消除图像的照明　

不均，增强暗区的图像细节；通过实验验证，选用的方法能够有效地减轻图像细节的模糊，轮廓更清楚，对实际水下图像进行处理，增强效果明　

显。　【关键词】图像增强；水下图像；直方图；同态滤波　

Ｏ绪论　

海洋孕育着巨量的能源和资源，人类社会的发展必然会越来越多　

的依赖海洋，目前国际安全，地区安全和沿海国家的安全，大都与海洋　

息息相关。因此开展水下图像处理方法的研究，在国民经济和军事上　

都具有重要的价值和意义。　

典型的水下图像主要有以下特点　：　

（１）照明光由探照灯发出，为汇聚光照明。成像光线的强弱分布呈　

现较大差异，以照明光最强点为中心．径向逐渐减弱，反映到图像上就　

是背景灰度分布不均。　

（２）由于水体对光的吸收效应、散射效应和卷积效应使得水下图　

像极不理想，使水下图像有较严重的非均匀亮度和细节模糊，而且图　

像信噪比很低，图像对比度明显变差。　

（３）照明条件不良，使水下图像变得更差，比如出现假细节、自阴　

影、假轮廓等。　

由于获取得水下图像普遍质量较差，在对图像进行目标识别、图　

像分割等分析与处理之前，就必须首先对其做一定的预处理。而图像　

增强可以增加图像的对比度．突出感兴趣的细节及特征，改善图像的　

视觉效果，提供直观、清晰、适合于分析的图像。因此，图像增强技术对　

于水下图像尤为重要，而水下图像增强算法的研究也有很强的实际应　

用价值。　

１　水下图像增强方法　

图像增强的方法是多种多样的．针对特定的图像，不同的方法所